Réseau neuronal convolutif très profond

Les réseaux neuronaux utilisés sont considérés comme la référence actuelle en termes d'algorithme de classification basés sur le Deep Learning. Nous utiliserons un modèle très profond appelé ResNet. Ce modèle possède des connections résiduelles qui permettent de conserver l'information au sein du réseau de neurones. Ceci permet en effet de réduire l'extinction des gradients. Comme décrit précédemment, les modèles appellent par rétro- propagation des gradients. Cependant, l’entrainement de réseaux de neurones très profonds est plus complexe car des portions du gradients doivent être rétro-propagées autant de fois qu’il ya de couches. Ainsi le produit de termes tels que |grad J| <1 , va

converger vers zero. C’est ce qu’on appelle extinction du gradient. Avec elle, le réseau cesse d’apprendre.

Comme illustré dans la figure ci-dessous: Dans les blocs constitutifs de ResNet, on note 2 éléments distinctifs: un bloc convolutif composé de 3 étapes: expansion, filtration et compression et une connection résiduelle qui empêche l'extinction du gradient.

Dans ce bloc on note la présence d’opérations particulières et une fonction de transfert non linéaire qui limite l’explosion du gradient:

• BN: La Normalization de Batch permet de normaliser les activations de la couche

activée. Cette opération permet au modèle d'apprendre plus rapidement. En effet, les données étant processées par batch, on peut observer une grande variabilité d'une observation à une autre au sein d'un même batch.

• ReLU: La fonction d'activation non linéaire est utilisée afin de faciliter la

rétropropagation du gradient.

Figure 49: Bloc caractéristique de ResNet.

Le Bloc constitutif de ResNet (9) comprend deux branches: la suite de convolutions et la connection “résiduelle”. Les informations issues de ces deux branches sont ensuite ajoutées. Ainsi, si le gradient par couche était de 0.1 : dans le cas classique gradient rétropropagé vaudrait 0.13 _{alors que dans ResNet50 sent cette valeur vaut : 0.1 + 0.1}3

_.

8.3. Résultats et limites

Figure 50: Courbes représentatives (fonction objectif et précision).

À gauche, l’évolution de la fonction objectif avec le temps montre une décroissance vers un plateau. À droite, l’évolution de la courbe montre une croissance vers un plateau. Les courbes sont lissées pour une meilleure lisibilité.

Le modèle entrainé, ResNet50 possède environ 25 Millions de paramètres. Ce modèle a été pré-entrainé sur un dataset très volumineux (>1 million d’images), puis a été affiné à notre cas d’étude. La précision maximale atteinte est de 98.5% (sans lissage). Les versions plus profondes de ce modèle peuvent permettre une meilleure classification au risque d’être prompt au sur-apprentissage. Cette expérimentation sort du cadre de cette étude, mais sera envisagée dans le cadre d’une mise en production. Nous ajouterons, que le modèle entrainé sur ce dataset ou une seule cellule étaient visible nécessite une modification pour être efficace sur des clichés avec de nombreuses hématies. Un pré- traitement de localisation des hématies suivi d’1 classification sera nécessaire. Un entrainement d’un détecteur d’hématies parasitées (algorithme inspiré de YOLO v.3 ou RetinaNet) réalisant en 1 passe: localisation et classification sur des des clichés concentrant plusieurs types d’ hématies (infectées et non infectées) est aussi concevable.

L’intérêt pour le pharmacien ayant des ressources limitées est la simplicité d’usage d’une telle solution, notamment grâce à l’usage ubiquitaire des téléphones mobiles. Cet algorithme a été développé pour être porté sur android ou iOS. Cette solution peut aider à terme à désengorger les hopitaux et faciliter la prise en charge. Les techniques d'intelligence artificielle apparaissent comme une solution pour les pays en voie de développement pour réaliser leur révolution technologique. Le calcul haute performance s'est aujourd’hui démocratisé (1) et l’utilisation des GPU n’est plus limité aux seuls centres de recherche.

En effet, certes l’entrainement de ce modèle a été réalisé sur la plateforme de recherche DGX, cependant l’utilisation de la puissance de calcul d'Amazon ne dépasse pas 10 $/h et permet le développement de prototypes facilement déclinables en solutions par exemple là où la présence d'équipements de santé est limitée. Il existe même une structure en ligne initiée par Google qui permet l’utilisation gratuite de GPU. Les temps d’entrainement seront cependant plus longs qu’avec une station de recherche.

On note le développement de solutions qui détectent automatiquement les problèmes hématologiques comme la drépanocytose, ou comme illustré ci-dessus des systèmes détectant des hématies infectées par les trophozoites. Cette modernisation doit s'accompagner d'un arsenal thérapeutique plus accessible pour les populations à revenu limité. C'est dans ce cadre que les initiatives du DNDI [16] avec la production hors brevets de 2 formules thérapeutiques: “ASAQ”: Artésunate + Amiodaquine et “ASMQ”: Artésunate + Mefloquine, peuvent contribuer à une évolution durable et favorable face à des maladies qui restent encore très meurtrières.

Figure 51: Utilisation d’une solution de Deep Learning en Afrique.

Le modèle développé ci-dessus permet d’identifier plasmodium sur des échantillons qui sont de petite taille. Ces projets fonctionnent sur des images de haute résolution (contrairement à l’approche ci-dessus). À gauche et au centre: Grâce à un téléphone, la détection de pathologie telle que la malaria devient possible et accessible à tous. Une autre approche classifie et localise les cellules infectées/parasitées.

Source: http://air.ug/microscopy/

8.4. Conclusion

Les applications incorporant les réseaux convolutifs se multiplient dans le domaine de l’e- santé. L’algorithme de classification est destiné aux professions de santé et se veut contribuer à l’aide au dépistage des patients. En fixant une valeur seuil suffisamment haute, ce modèle va minimiser les faux négatifs (diagnostiquer les patients malades comme sains) quitte à augmenter légèrement le taux de faux positifs (diagnostiquer les patients sains comme malades).

Cette solution peut aider à désengorger les hôpitaux comme outil de première prise en charge des patients à risques (enfants, personnes âgées et patients immuno-déprimés) et accélérer le traitement des patients réellement affectés par le paludisme. Par sa simplicité elle peut être proposée aux dispensaires et étendue aux zones isolées sans réelle

structure de soins. Elle s’inscrit également dans le combat mené par les ONG à savoir lutter contre les maladies endémiques et sensibiliser l’ensemble de la population sur certains thèmes de santé. Enfin, la miniaturisation des capteurs et leur coût décroissant rend possible le développement de stations mobiles de traitement opérables par un pharmacien.

9. CONCLUSION

L'intelligence artificielle suscite aujourd’hui des inquiétudes ou le rejet de certains et une fascination pour d’autres. Le RGPD est une tentative pour accompagner ces projets de manière réfléchie en Europe. Si certains imaginent un serment d’Hippocrate technologique, il est certain que l’IA doit posséder un cadre éthique stricte pour éviter toute dérive ou mauvaise utilisation des données.

L’intelligence artificielle est capitale car elle permet d’automatiser des compétences cognitives de manière plus efficace et à coût diminué. Ceci représente de nouvelles opportunités dans les domaines ou la collecte et l’analyse de données est très importante, en particulier: le domaine de la santé (diagnostic, découverte de nouvelles molécules et suivi de patient). Elle permet également aux populations aux ressources limitées l’accès aux soins grâce à son faible coût lorsqu’employée sur les appareils mobiles [17]

Au delà de ses succès, l’intelligence artificielle peut souffrir de plusieurs limitations. Commençons d’abord par l’aspect spéculatif de son utilisation: Deux cinquièmes des start- up européennes d'intelligence artificielle n'utilisent en fait aucune technologie assimilable à de l'intelligence artificielle, d'après le rapport  «The State of Ai» (l'état de l'IA)  [18]. Il y a donc un détournement de la technologie pour stimuler l’attrait des startups et faciliter l’investissement[20].

Ensuite, Watson qui a révolutionné le monde de l’intelligence artificielle, peine à transformer les promesses tenues par Watson Health quant à sa capacité à assister les médecins dans le diagnostic et traitement de cancers. Au delà de ces difficultés techniques, s’ajoute le problème de biais dans les données utilisées pour entrainer Watson. Finalement son besoin colossal en données ont rendu son utilisation face à une stratégie d’IBM inadaptée en fait un succès en demi-teinte.

D’autre part, avec le rapport Villani [19] et partie intégrante du plan « Ma Santé 2022 », présenté par Emmanuel Macron le 18 septembre dernier, nous avons assisté à la création du Health Data Hub. A terme, ce guichet unique et sécurisé devra notamment permettre de favoriser les croisements (possibles) entre les données médico-administratives et les données médicales et épidémiologiques existantes. Malgré cette initiative et la notion d’open data grandissante, l’accès à la donnée de santé reste aujourd’hui très difficile en particulier pour une startup. L’acquisition des données va certes se simplifier, mais risque tout de même de nécessiter plusieurs mois. Cette lourdeur administrative reste un frein pour l’éducation et l’avènement des “pharmaciens 4.0”.

Enfin, nous assistons à une révolution de la pharmacie en particulier: les associations entre les GAFA et les grands groupes pharmaceutiques tels que Sanofi ou Novartis. Les industriels comptent donc sur cette intégration d’expertises pour permettre le développement de nouveaux médicaments et de nouvelles solutions de santé connectée toujours plus intelligentes grâce notamment au Big data et au Machine Learning.[21]

Doyen de L’UFR de Pharmacie, Le président de Jury,

Brigitte Vennat Jean-Michel CARDOT

10. BIBLIOGRAPHIE

1. CNIL, RGPD de quoi parle t-on ? [Internet] 2019. Disponible sur: https://www.cnil.fr/fr/ rgpd-de-quoi-parle-t-on

2. DeepMind, Towards integration of deep learning and neurosciences. [Internet] 2016. Disponible sur : https://deepmind.com/research/publications/towards-integration-deep- learning-and-neuroscience

3. Wikipédia, Algorithme du gradient [Internet] 2019. Disponible sur: https:// fr.wikipedia.org/wiki/Algorithme_du_gradient

4. Sanofi, La digitalisation de l’officine. [Internet] 2019. Disponible sur : https:// www.sanofi.fr/fr/labsante/eclairage-sur-la-digitalisation-de-l-officine

5. Le Parisien, Paracétamol: l’ANSM alerte sur les risques de surdosages. [Internet] 2019. Disponible sur : http://www.leparisien.fr/societe/sante/paracetamol-l-ansm-alerte- sur-les-risques-de-surdosage-09-07-2019-8112603.php

6. Les Echos, Alerte sur les dangers de l’ibuprofène et du kétoprofène. [Internet] 2019. Disponible sur : https://www.lesechos.fr/industrie-services/pharmacie-sante/alerte-sur- les-dangers-de-libuprofene-et-du-ketoprofene-1013002

7. Viola, P. Rapid Object Detection using a Boosted Cascade of Simple Features. [Internet] 2001. Disponible sur: https://www.cs.cmu.edu/~efros/courses/LBMV07/ Papers/viola-cvpr-01.pdf

8. Cen, K. (n.d.). Study of Viola-Jones Real Time Face Detector. [Internet] 2016. Disponible sur: https://web.stanford.edu/class/cs231a/prev_projects_2016/ cs231a_final_report.pdf

9. Jean-Emmanuel Bibault. Comment réguler l’intelligence artificielle. [Internet] 2019.Disponible sur : http://sante.lefigaro.fr/article/comment-reguler-l-intelligence- artificielle-en-medecine/

11. Redmon, J., & Farhadi, A. YOLO9000: Better, Faster, Stronger. [Internet] 2016. Disponible sur : https://doi.org/10.1109/CVPR.2017.690

12. Vikashraj luhaniwal. “Why gradient descent is not enough, a comprehensive introduction to optimisation algorithm [Internet] 2015. Disponible sur : "https:// towardsdatascience.com/why-gradient-descent-isnt-enough-a-comprehensive- introduction-to-optimization-algorithms-in-59670fd5c096

13. Babar, V. S., & Ade, RA Review on Imbalanced Learning Methods. [Internet] 2015. Disponible sur : https://research.ijcaonline.org/ncac2015/number2/ncac175029.pdf

14. SIL-LAB. IA et Biologie Médicale cas réel. [Internet] 2019. Disponible sur : http:// www.sil-lab-experts.com/images/SIL-LAB/actualites/IA-et-Biologie-Medicale-Cas-Reel- V4.pdf

15. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., … Rabinovich, A. Going Deeper with Convolutions. ArXiv:1409.4842. [Internet]. 2014. Disponible sur : https://doi.org/10.1109/CVPR.2015.7298594

16. DNDI . DNDI Achievements. [Internet] 2019. Disponible sur : https://www.dndi.org/ achievements/

17. Bernard Grainier. L’Afrique face à la révolution technologique: un potentiel de développement formidable! [Internet] 2017. Disponible sur : https://www.linkedin.com/ pulse/lafrique-face-%C3%A0-la-r%C3%A9volution-technologique-un-de-bernard- gainnier/?originalSubdomain=fr

18. MMC Ventures, The state of AI: Divergence [Internet] 2019. [Internet] Disponible sur : https://www.mmcventures.com/wp-content/uploads/2019/02/The-State-of-AI-2019- Divergence.pdf

19. Cédric Villani. Rapport Villani. [Internet] 2018. Disponible sur : https://aiforhumanity.fr/ pdfs9782111457089_Rapport_Villani_acccessible.pdf

20. Elisa Braun, 40% des start-up européennes d'intelligence artificielle n'utilisent pas d'intelligence artificielle.[Internet] 2019. Disponible sur : http://www.lefigaro.fr/secteur/ high-tech/2019/03/06/32001-20190306ARTFIG00121-40-des-start-up-europeennes-d- intelligence-artificielle-n-utilisent-pas-d-intelligence-artificielle.php

21. Les échos. Comment la pharmacie s’approprie le big Data et l’intelligence artificielle, [Internet] 2019. Disponible sur : https://www.lesechos.fr/industrie-services/pharmacie-

RESUME

Le rôle du pharmacien est traditionnellement multiple: Il développe, fabrique et garantit la qualité des médicaments. En outre, il analyse les prescriptions et délivre les médicaments. Il délivre des conseils sur les médicaments (leur action, risques et interactions), il participe aussi à des actions ponctuelles de prévention et suit les patients atteints de maladies chroniques (patients diabétiques, sous anticoagulants oraux par voie directe, ou asthmatiques) et/ou poly-médiqués. Il peut également réaliser des prélèvements, effectuer des analyses et commenter les résultats de biologie médicale. L’intelligence artificielle ouvre de nouvelles possibilités d’exercice au pharmacien et peut contribuer à une redéfinition complète de son rôle. En effet, le pharmacien est en train de devenir un intermédiaire de santé polyvalent, garantissant une santé de proximité.

Ce travail, illustre comment cette révolution peut s’appliquer au pharmacien d’officine au travers d’un prototype minimaliste de reconnaissance d’interaction médicamenteuse. Cet algorithme peut facilement s’étendre à plusieurs classes de médicaments, inclure la reconnaissance vocale et ou être jumelé à un assistant conversationnel.

L’intelligence artificielle peut apporter au pharmacien biologiste de nouveaux outils, par exemple l’automatisation de la classification de clichés issus de l’atlas protéique. Enfin, cette thèse inclut le pharmacien situé en milieu défavorisé qui peut, lui aussi, bénéficier de cette révolution technologique. Cette réalité est illustrée via le développement d’un algorithme léger qui peut détecter les cas de malaria et qui peut facilement être embarqué sur un pico ordinateur de type Nvidia NANO dont le coût ne dépasse pas une centaine d’euros.
 Mots-clés: PROTOTYPE PREVENTION CLASSIFICATION DETECTION MACHINE LEARNING DEEP LEARNING EDUCATION INTELLIGENCE ARTIFICIELLE